1 PB
1 PB
133
Marzena M. Majore, Deiby T. Salaki, Jantje D. Prang
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139
antara faktor-faktor tersebut dengan jumlah kematian Berdasarkan persamaan (3), menurut [4] GLM
ibu dapat diketahui dengan menggunakan analisis memiliki tiga komponen, yaitu :
regresi. Analisis regresi merupakan suatu metode yang 1. Komponen acak yaitu peubah respon 𝑌1 , 𝑌2 , … , 𝑌𝑛
digunakan untuk memprediksi nilai satu variabel yang diasumsikan menyebar keluarga
berdasarkan nilai variabel yang lain. Analisis regresi ekponensial.
dibedakan atas analisis regresi linear dan analisis regresi 2. Parameter 𝜷 dan peubah penjelas
nonlinear. Untuk memodelkan data dalam analisis 𝒙1𝑇 𝑥11 … 𝑥1𝑝
regresi nonlinear dapat menggunakan Generalized 𝑿=[ ⋮ ]=[ … …]
Linear Model (GLM). Salah satu analisis regresi 𝒙𝑇𝑛 𝑥𝑛1 … 𝑥𝑛𝑝
nonlinier yang dimodelkan dengan GLM adalah analisis 3. Fungsi penghubung yaitu suatu fungsi monoton
regresi Poisson.
𝑔 yang dapat diturunkan sedemikian hingga:
Analisis regresi Poisson adalah suatu model yang
𝑔(𝜇𝑖 ) = 𝒙𝑇𝑖 𝜷 dengan 𝜇𝑖 = 𝐸(𝑌𝑖 )
digunakan untuk menganalisis hubungan antara 𝑥𝑖1
variabel respon yang berdistribusi Poisson dengan
Dengan 𝒙𝑖 = [ ⋮ ] sehingga 𝒙𝑇𝑖 = [𝑥𝑖1 … 𝑥𝑖𝑝 ]
sejumlah variabel prediktor. Regresi Poisson 𝑥𝑖𝑝
mengasumsikan ekuidispersi yaitu nilai ragam dari
variabel repon sama dengan rataannya. Namun, pada
2.4 Distribusi Poisson
prakteknya asumsi ini sangat jarang terjadi karena
Distribusi Poisson merupakan distribusi yang
biasanya data count memiliki ragam lebih besar dari
digunakan untuk peristiwa yang memiliki probabilitas
rataannya atau disebut kondisi overdispersi [2].
kejadiannya kecil, dimana kejadian tersebut tergantung
Overdispersi menyebabkan nilai devians model
pada interval waktu tertentu atau disuatu daerah
menjadi sangat besar dan menyebabkan model regresi
tertentu. Menurut [4] fungsi probabilitas untuk variabel
Poisson yang dihasilkan menjadi kurang tepat.
acak diskrit 𝑌 adalah:
Alternatif model yang biasanya digunakan untuk
𝜃 𝑦 𝑒 −𝜃 (4)
mengatasi overdispersi adalah regresi binomial negatif. 𝑓(𝑦|𝜃) = , 𝑦 = 0,1,2, …
𝑦!
2. TINJAUAN PUSTAKA Dimana 𝑦 bernilai 0,1,2, … dan 𝜃 = 𝐸(𝑌) adalah nilai
ekspetasi atau nilai rataannya.
2.1. Angka Kematian Ibu (AKI) Suatu peubah acak 𝑌 dikatakan menyebar keluarga
Menurut [3] angka kematian ibu (AKI) adalah eksponensial, jika fungsi kepadatan peluangnya dapat
banyaknya kematian perempuan pada saat hamil atau dituliskan seperti persamaan (2). Distribusi peluang
selama 42 hari sejak terminasi kehamilan tanpa Poisson pada persamaan (4) dapat ditulis dalam bentuk
memandang lama dan tempat persalinan, yang distribusi keluarga eksponensial sebagai berikut:
disebabkan karena kehamilannya atau pengelolaannya, 𝑓(𝑦|𝜃) = 𝑒 −𝜃 𝜃 𝑦 (𝑦!)−1
dan bukan karena sebab-sebab lain, per 100.000 = exp (−𝜃 + 𝑦 log 𝜃 − log 𝑦! )
kelahiran hidup. Kematian ibu yang dimaksud adalah = exp (𝑦 log 𝜃 − 𝜃 − log 𝑦! ) (5)
kematian perempuan pada saat hamil atau kematian
dalam kurun waktu 42 hari sejak terminasi kehamilan Jadi dapat disimpulkan distribusi Poisson
tanpa memandang lamanya kehamilan atau tempat merupakan keluarga eksponensial dengan 𝑎(𝑦) = 𝑦,
persalinan, yakni kematian yang disebabkan karena 𝑐(𝜃) = −𝜃 dan 𝑑(𝑦) = − log(𝑦!). Parameter 𝑏(𝜃) = log 𝜃
kehamilannya atau pengelolaannya, tetapi bukan karena disebut sebagai parameter naturalnya.
sebab-sebab lain seperti kecelakaan, terjatuh dan lain-
lain. 2.5 Goodness Of Fit
Menurut [5] uji kesesuaian (goodness of fit)
2.2 Distribusi Keluarga Eksponensial
bertujuan untuk mengambil kesimpulan tentang
Menurut [4] suatu variabel acak Y yang menyebar sebaran populasi. Uji goodness of fit digunakan untuk
keluarga eksponensial dengan parameter θ, memiliki mengetahui suatu data berdistribusi Poisson atau tidak
distribusi peluang yang dapat ditulis dalam bentuk: dengan menggunakan uji Kolmogorov-Smirnov.
𝑓(𝑦; 𝜃) = 𝑠(𝑦)𝑡(𝜃) 𝑒^(𝑎(𝑦)𝑏(𝜃)) (1) Hipotesis:
Dengan a,b,s dan t adalah fungsi yang diketahui. 𝐻0 = Sampel berasal dari populasi yang
Persamaan (1) dapat juga dituliskan dalam bentuk lain berdistribusi Poisson
untuk lebih menjelaskan hubungan simetri antara y dan 𝐻1 = Sampel tidak berasal dari populasi yang
θ sebagai berikut: berdistribusi Poisson
𝑓(𝑦; 𝜃) = 𝑒𝑥𝑝 [𝑎(𝑦)𝑏(𝜃) + 𝑐(𝜃) + 𝑑(𝑦)] (2) Dengan mengambil taraf signifikansi 𝛼 maka kriteria
Dengan 𝑠(𝑦) = 𝑒𝑥𝑝 𝑑(𝑦) dan 𝑡(𝜃) = 𝑒𝑥𝑝 𝑐(𝜃). Jika pengujiannya menolak 𝐻0 jika nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
𝑎(𝑦) = 𝑦 maka distribusi tersebut dikatakan dalam
bentuk standar dan 𝑏(𝜃) disebut parameter natural dari 2.6 Multikolinearitas
distribusi. Beberapa distribusi yang diketahui termasuk
dalam keluarga eksponensial antara lain: Poisson, Menurut [6] multikolinearitas adalah kondisi
normal, eksponensial dan binomial negatif. adanya korelasi yang tinggi antar variabel-variabel
prediktor dalam model. Multikolinearitas dapat
2.3 Generalized Linear Model (GLM) dideteksi dari nilai VIF (Varians Inflation Factor). Jika
nilai VIF lebih besar dari 10 maka dikatakan terjadi
GLM merupakan perluasan dari model linier klasik multikolinearitas antar variabel prediktor. Nilai 𝑉𝐼𝐹𝑗
dimana 𝑌 berdistribusi secara keluarga eksponensial
dinyatakan sebagai berikut:
[2]. Model GLM dapat dituliskan sebagai berikut : 1
𝑔(𝜇𝑖 ) = 𝒙𝑇𝑖 𝜷 (3) 𝑉𝐼𝐹𝑗 =
1 − 𝑅𝑗2 (6)
134
Penerapan Regresi Binomial Negatif Dalam Mengatasi Overdispersi Regresi Poisson Pada Kasus
Jumlah Kematian Ibu
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139
Nilai 𝑅𝑗2 menyatakan koefisien determinasi antara 𝒙𝑗 2.10 Regresi Binomial Negatif
dengan variabel prediktor lainnya.
Model regresi binomial negatif lebih fleksibel
dibandingkan model Poisson karena rataan dan ragam
2.7 Maximum Likelihood Estimator (MLE)
dari model binomial negatif tidak harus sama. Fungsi
Menurut [4] estimasi parameter pada regresi peluang binomial negatif adalah sebagai berikut:
Poisson dilakukan dengan menggunakan metode MLE.
MLE merupakan salah satu metode penaksiran (𝑦 + 𝛼 −1 ) 𝛼𝜇 𝑦 1 𝛼 −1
(11)
parameter suatu model yang distribusinya diketahui. 𝑃(𝑦|𝜇, 𝛼) = ( ) ( )
𝑦! (𝛼 −1 ) 1 + 𝛼𝜇 1 + 𝛼𝜇
Prinsip dari metode ini adalah mencari taksiran
maksimum likelihood dari parameter, yaitu taksiran dari
Dengan 𝛼 merupaka parmeter dispersi, 𝛼 > 0. Jika 𝛼 →
parameter-parameter yang memaksimumkan fungsi
likelihood. Fungsi log-likelihood dapat ditulis dalam 0, maka distribusi ini mendekati Poisson (𝜇). sebaran
persamaan berikut: Binomial Negatif memiliki rataan 𝐸(𝑌) = 𝜇 dan ragan
𝑛 𝑣𝑎𝑟(𝑌) = 𝜇 + 𝜇2 𝛼 [9].
ℓ(𝜃) = log 𝐿(𝜃) = ∑{𝑦𝑖 𝑙𝑜𝑔(𝜃) − 𝜃 − 𝑙𝑜𝑔(𝑦𝑖 !)} (7) Menurut [8] regresi Poisson dapat dinyatakan
𝑖=1
sebagai berikut:
Pendugaan bagi parameter 𝜃 diperoleh dengan 𝜂𝑖 = 𝑙𝑛(𝜇𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 (12)
menurunkan persamaan dan menyamakan dengan 0. Dimana :
Namun demikian secara analitik tidak memungkinkan 𝜂𝑖 = fungsi penghubung
atau sulit dilakukan sehingga umumnya dilakukan 𝜇𝑖 = nilai tengah peubah respon ke-𝑖
secara numerik dengan metode Newton-Rapson. 𝛽0 = konstanta
𝛽1 , 𝛽2 , … , 𝛽𝑝 = koefisien regresi variabel prediktor
2.8 Regresi Poisson ke-1 sampai 𝑝
Regresi Poisson merupakan analisis regresi 𝑥𝑖𝑝 = nilai variabel prediktor ke-𝑗 amatan
nonlinier dari distribusi Poisson, dimana analisis ini ke-𝑖
sangat cocok digunakan dalam menganalisis data
diskrit. Model regresi Poisson termasuk dalam GLM 2.11 Pengujian Model
karena variabel respon Y memiliki sebaran dari keluarga 2.11.1 Uji Wald
eksponsial yaitu sebaran Poisson., tidak terdapat
multikoleniaritas antar variabel prediktor dan Uji Wald dilakukan terhadap masing-masing
mengasumsikan ekuidispersi, yaitu 𝑉𝑎𝑟(𝑌) = 𝐸(𝑌) [7]. variabel prediktor yang ada untuk mengetahui pengaruh
Dalam regresi Poisson, fungsi penghubung yang yang diberikan setiap variabel prediktor terhadap nilai
digunakan adalah fungsi log, karena rata-rata dari variabel respon.
variabel responnya akan berbentuk fungsi eksponensial Hipotesis
dan menjamin bahwa nilainya bernilai non-negatif. 𝐻0 ∶ 𝛽𝑗 = 0, 𝑗 = 1,2, … (variabel prediktor tidak
Menurut [8] regresi Poisson dapat dinyatakan sebagai berpengaruh terhadap variabel respon)
berikut: 𝐻1 ∶ 𝛽𝑗 ≠ 0 (variabel prediktor berpengaruh
𝜂𝑖 = 𝑙𝑛(𝜇𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 (8) terhadap variabel respon)
Dimana : Statistik Uji:
𝜂𝑖 = fungsi penghubung
𝜇𝑖 = nilai tengah peubah respon ke-𝑖 𝛽̂𝑗
2 (13)
𝛽0 = konstanta 𝑊𝑗 = [ ]
𝑆𝐸(𝛽̂𝑗 )
𝛽1 , 𝛽2 , … , 𝛽𝑝 = koefisien regresi variabel prediktor
ke-1 sampai 𝑝 Kriteria Pengujian : Jika nilai 𝑊 > 𝑋 2 (𝛼,1) atau 𝑃 −
𝑥𝑖𝑝 = nilai variabel prediktor ke-𝑗 amatan
𝑣𝑎𝑙𝑢𝑒 < 𝛼 maka tolak 𝐻0 artinya koefisien regresi
ke-𝑖 tersebut signifikan [8].
2.9 Overdispersi 2.11.2 Akaike information Criteria (AIC)
Menurut [8] overdispersi merupakan kondisi AIC merupakan informasi perbedaan yang
dimana nilai V𝑎𝑟 (𝑌) > 𝐸(𝑌). Overdispersi dapat dianggap sebagai dasar kriteria untuk mengevaluasi
dideteksi dengan menentukan rasio dispersi (𝜙), yaitu kebaikan model. AIC didefinisikan sebagai :
rasio antara 𝜒2 dan derajat bebasnya (𝑑𝑏), yaitu: 𝐴𝐼𝐶 = −2 ln 𝐿(𝜃̂ ) + 2 𝑝 (14)
135
Marzena M. Majore, Deiby T. Salaki, Jantje D. Prang
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139
𝐻1 : 𝑘 ≠ 0 (Model regresi binomial negatif lebih Tabel 1. Data Penelitian Jumlah Kematian Ibu di
baik daripada model regresi Poisson) Sulawesi Utara 2018
Statistik Uji:
𝑇 = 2(𝐿̂𝐵𝑁 − 𝐿̂𝑃𝑜𝑖𝑠𝑠𝑜𝑛 ) (15) Kabupaten/Kota 𝒚 𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒
Bolmong 6 0 1 0 5
Dimana:
Minahasa 3 3 0 0 0
𝐿̂𝐵𝑁 : nilai log-likelihood model regresi
binomial negatif Sangihe 2 0 1 0 1
Tomohon 1 1 0 0 0
3.2 Teknik Pengambilan Sampel
Kotamobagu 3 2 0 0 1
Variabel penelitian yang digunakan dalam
penelitian ini berupa variabel respon (𝑌) yakni Sumber : Dinas Kesehatan Provinsi Sulawesi Utara.
banyaknya kasus kematian ibu dan sejumlah variabel
prediktor yaitu:
𝒙1 = banyaknya ibu yang mengalami perdarahan
𝒙2 = banyaknya ibu yang mengalami hipertensi
dalam kehamilan
𝒙3 = banyaknya ibu yang mengalami infeksi
𝒙4 = banyaknya ibu yang mengalami sebab-sebab
lainnya.
136
Penerapan Regresi Binomial Negatif Dalam Mengatasi Overdispersi Regresi Poisson Pada Kasus
Jumlah Kematian Ibu
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139
analisis uji Kolmogorov-smirnov disajikan dalam Tabel Model regresi Poisson pada persamaan (16),
2. menunjukkan bahwa setiap peningkatan 1 kasus ibu
Tabel 2. Uji Kolmogorov-Smirnov hamil yang mengalami perdarahan akan meningkatkan
Kolmogorov-Smirnov 0,734 jumlah kematian ibu sebesar 𝑒𝑥𝑝(0.4713) = 1.16 kali
jika variabel lainnya tetap. Dengan kata lain, jika di
𝑝 − 𝑣𝑎𝑙𝑢𝑒 0,654 suatu kabupaten/kota terjadi penambahan 1 kasus ibu
yang mengalami perdarahan maka jumlah kematian ibu
Berdasarkan Tabel 2, dapat dilihat bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 di kota/kabupaten tersebut akan meningkat sebanyak
adalah 0,654 yang artinya lebih besar dari 𝛼 = 0,05. 1.16 kali dibandingkan dengan kota/kabupaten lainnya.
Jadi kesimpulannya adalah terima 𝐻0 artinya data Uji Wald dilakukan untuk mengetahui signifikansi
jumlah kasus kematian ibu di Provinsi Sulawesi Utara dari masing-masing parameter pada model regresi
berdistribusi Poisson. dengan menggunakan uji Wald sesuai dengan hasil pada
Tabel 4. Berdasarkan persamaan (13), diperoleh hasil
4.3 Multikolinearitas sebagaimana tertera pada Tabel 5.
Tabel 5. Pengujian Wald
Hasil perhitungan nilai VIF masing-masing
variabel prediktor terlihat pada Tabel 3. Variabel Nilai Wald Keputusan
𝒙1 4.198936 Tolak 𝐻0
Tabel 3. Nilai VIF (Variance Inflation Factor) 𝒙2 2.227467 Terima 𝐻0
Variabel Nilai VIF 𝒙3 1.071555 Terima 𝐻0
𝒙1 2.028512
𝒙4 2.823583 Terima 𝐻0
𝒙2 7.608976
𝒙3 5.635000 Keputusan penolakan hipotesisnya disajikan
𝒙4 2.240223 dalam Tabel 5. Kriteria ujinya adalah tolak 𝐻0 jika nilai
𝑊 > 𝑋 2 (0.05,1) = 3.841 sedangkan terima 𝐻0 jika nilai
Pada Tabel 3, terlihat bahwa nilai VIF dari semua 𝑊 < 𝑋 2 (0.05,1) = 3.841. Nilai Wald dari peubah 𝒙2 , 𝒙3 ,
variabel prediktor kurang dari 10. Hal ini berarti,
𝒙4 kurang dari nilai tabel X 2 (0.05,1) artinya 𝐻0 diterima
variabel banyaknya ibu meninggal karna perdarahan,
banyaknya ibu mengalami hipertensi dalam kehamilan, sehingga dapat disimpulkan bahwa ketiga variabel ini
banyaknya ibu mengalami infeksi dan variabel tidak memiliki pengaruh secara signifikan pada 𝛼 =
banyaknya ibu yang mengalami sebab-sebab lainnya 0.05. Sebaliknya nilai Wald untuk 𝒙1 lebih besar dari
dapat digunakan untuk memodelkan jumlah kasus X 2 (0.05,1) sehingga disimpulkan bahwa variabel ini
kematian ibu di Sulawesi Utara. memiliki pengaruh secara signifikan pada 𝛼 = 0.05
berarti 𝐻0 ditolak.
4.4 Estimasi dan Pengujian Regresi Poisson Hasil ini sejalan dengan hasil Survey Demografi
dan Kependudukan Indonesia (SDKI) 2012 bahwa
Hasil estimasi untuk setiap parameter 𝛽0 , 𝛽1 , ⋯ , 𝛽4 penyebab utama kematian ibu adalah karena
disajikan dalam Tabel 4. perdarahan postpartum (SDKI, 2012). Hal ini
Tabel 4. Nilai estimasi parameter model dipertegas oleh Achadi (2019) bahwa urutan pertama
regresi Poisson dari 5 penyebab 75% kasus kematian ibu adalah
pendarahan.
Pr(>|z|)
Parameter Estimasi 𝛽 Galat baku
4.5 Uji Overdispersi
0.5916
-0.2860 0.5332
𝛽0 Regresi Poisson mengasumsikan equidispersi yaitu
0.0404 * nilai rata-rata variabel respon sama dengan nilai
0.4713 0.2300
𝛽1 ragamnya. Jika nilai rata-ratanya lebih besar dari nilai
0.1356 ragamnya maka dikatakan terjadi overdispersi. Hasil
0.9613 0.6441 pengujian overdispersi disajikan dalam Tabel 6.
𝛽2
0.3006
-0.6860 0.6627 Tabel 6. Uji Overdispersi terhadap Variabel Respon 𝑌
𝛽3
0.0928 . Rata-rata Ragam Dispersion
0.1719 0.1023
𝛽4
3.467 10.267 0.232
137
Marzena M. Majore, Deiby T. Salaki, Jantje D. Prang
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139
4.6 Etimasi dan Pengujian Regresi Binomial Tabel 9. Pengujian Wald Untuk Model Regresi
Negatif Binomial Negatif
Variabel Wald 𝑿𝟐 (𝟎.𝟎𝟓;𝟏) Keputusan
Hasil pengujian overdispersi pada sub bab
sebelumnya, tidak sepenuhnya mengindikasikan adanya 𝒙1 6.233895 3.841459 Tolak 𝐻0
overdispersi. Hal ini mendorong penulis untuk
melakukan analisis lanjut dengan menggunakan regresi 𝒙4 29.979441 3.841459 Tolak 𝐻0
binomial negatif sebagai salah satu alternatif
penanganan overdispersi. Penentuan model regresi
binomial negatif dilakukan pada semua kombinasi dari Berdasarkan hasil analisis pada Tabel 9, dapat
4 variabel prediktor yaitu sebanyak 15 kemungkinan dilihat bahwa nilai Wald dari variabel 𝒙1 , 𝒙4 lebih besar
model Pada Tabel 7 disajikan empat model masing- dari nilai tabel X 2 (0.05,1) sehingga disimpulkan bahwa 𝐻0
masing dengan kombinasi 1, 2, 3 dan 4 variable prediktor ditolak. Hal ini mengindikasikan bahwa kedua variabel
yang memiliki nilai AIC terkecil. ini memiliki pengaruh signifikan pada 𝛼 = 0.05. Dengan
Tabel 7. Nilai AIC dari Kombinasi Model kata lain, banyaknya ibu yang mengalami perdarahan
dan banyaknya ibu yang mengalami gangguan kesehatan
No Model AIC yang disebabkan oleh faktor-faktor lainnya memiliki
𝑒𝑥𝑝(𝛽0 + 𝛽4 𝒙4 ) 56.133 pengaruh secara signifikan terhadap jumlah kematian
1 ibu di Sulawesi Utara.
𝑒𝑥𝑝(𝛽0 + 𝛽1 𝒙1 + 𝛽4 𝒙4 ) 55.011
2 4.7 Pemilihan Model Terbaik
𝑒𝑥𝑝(𝛽0 + 𝛽1 𝒙1 + 𝛽2 𝒙2 + 𝛽4 𝒙4 ) 55.24
Pemilihan model regresi yang terbaik perlu
3 dilakukan untuk memperoleh hasil analisis regresi yang
𝑒𝑥𝑝(𝛽0 + 𝛽1 𝒙1 + 𝛽2 𝒙2 + 𝛽3 𝒙3 + 𝛽4 𝒙4 ) 56.133
optimal. Kriteria yang dapat membantu untuk memilih
4 model terbaik adalah Akaike information Criteria (AIC)
dan nilai uji Likelihood Ratio (T). Kriteria ini
Tabel 7 menunjukkan bahwa model dengan nilai AIC dimaksudkan untuk menentukan tingkat kebaikan
terkecil adalah model 2 yaitu model regresi binomial model dari regresi binomial negatif dibandingkan
negatif dengan variabel prediktor 𝒙1 dan 𝒙4 . Hasil dengan regresi Poisson berdasarkan nilai AIC
dugaan parameter dari regresi binomial negatif yang sebagaimana disajikan dalam Tabel 10.
menggunakan variabel prediktor 𝑥1 dan 𝑥4, ditampilkan
pada Table 8. Tabel 10. Nilai AIC Model Regresi Poisson dan
Binomial Negatif Terpilih
Tabel 8. Estimasi Nilai 𝛽 pada Model 2 Regresi Nilai AIC
Model
Binomial Negatif
Pr(>|z|) 54.132
Parameter Estimasi 𝛽 Galat baku Regresi Poisson
0.17556 0.30448 0.5642 55.011
Regresi Binomial Negatif Terpilih
Intercept
0.29437 0.11790 0.0125*
𝑥1 Tabel 10 menunjukkan AIC dari model regresi
0.32063 0.05863 4.54e-08 *** Poisson lebih kecil dari pada AIC model regresi binomial
negatif. Hal ini menunjukkan bahwa model regresi
𝑥4
Poisson lebih baik dalam menentukan faktor-faktor yang
mempengaruhi jumlah kematian ibu di Sulawesi Utara.
Dari Tabel 8 dapat disimpulkan bahwa model yang Pemilihan model terbaik juga dilakukan dengan
dihasilkan adalah : uji likelihood ratio (T). Berikut ini adalah hipotesis uji
𝜇̂ = exp(0.17556 + 0.29437𝑥1 + 0.32063𝑥4 ) Likelihood ratio.
(20) Hipotesis:
Model pada persamaan (20) menunjukkan 𝐻0 : 𝑘 = 0 (Model regresi Poisson lebih baik
bahwa setiap penambahan satu kasus ibu hamil yang daripada model regresi binomial negatif)
mengalami perdarahan (𝑥1) akan menaikkan nilai 𝐻1 : 𝑘 ≠ 0 (Model regresi binomial negatif lebih
harapan untuk kematian ibu sebesar 𝑒𝑥𝑝 (0.29437) = baik daripada model regresi Poisson)
1.3423 kali bila setiap variabel prediktor lainnya tetap. Dengan kriteria pengujian tolak 𝐻0 jika 𝑇 > 𝑋 2 (0,05;1).
Dengan kata lain, penambahan satu kasus perdarahan Berdasarkan persamaan (15), maka diperoleh:
akan meningkatkan kasus kematian ibu sebesar 1.3423 .
Setiap penambahan satu kasus ibu hamil yang
𝑇 = 2(−23.50527 + 22.06613) = −2.87828
mengalami gangguan kesehatan akibat sebab-sebab
Untuk nilai 𝑋 2 (0,05;1) = 3.841459. Maka hasil yang
lainnya (𝑥4) akan menaikkan nilai harapan kematian ibu
sebesar exp(0.32063) = 1.377996 kali bila setiap diperoleh adalah nilai 𝑇 < 𝑋 2 (0,05;1) yang menunjukkan
variabel prediktor lainnya tetap. Dengan kata lain, penerimaan 𝐻0 , berarti model regresi Poisson lebih baik
penambahan satu kasus untuk sebab-sebab lainnya (𝑥4) daripada model regresi binomial negatif.
akan meningkatkan kasus kematian ibu sebesar
1.377996 kali. 5 Penutup
Uji Wald akan dilakukan pada model 2 dari Tabel 7 5.1 Kesimpulan
yang hasilnya dapat dilihat pada Tabel 9.
Penggunaan model regresi Poisson pada angka
kematian ibu di Provinsi Sulawesi Utara tidak
138
Penerapan Regresi Binomial Negatif Dalam Mengatasi Overdispersi Regresi Poisson Pada Kasus
Jumlah Kematian Ibu
d’Cartesian: Jurnal Matematika dan Aplikasi, Vol.9, No. 2, (September 2020): 133-139
menujukkan indikasi kuat adanya overdispersi. Hasil Marzena Melisa Majore (mjrmelisa@gmail.com)
analisis menunjukkan bahwa regresi Poisson lebih baik Lahir di Essang, pada tanggal 10 Maret
dari pada regresi binomial negatif dalam memodelkan 1998. Menempuh pendidikan tinggi
jumlah kematian ibu di Sulawesi Utara tahun 2018 Jurusan Matematika, FMIPA,
dengan persamaan sebagai berikut: Universitas Sam Ratulangi Manado.
𝜇̂ = exp(0.4713𝒙1 ) Tahun 2020 adalah tahun terakhir ia
Dimana jika terjadi penambahan satu kasus menempuh studi. Makalah ini
perdarahan akibat melahirkan maka akan meningkatkan merupakan hasil penelitian skripsinya
nilai rataan jumlah kasus kematian ibu sebesar 1.16 kali. yang dipublikasikan.
5.2 Saran
Deiby Tineke Salaki (deibyts.mat@unsrat.ac.id)
1. Pemerintah dan Dinas Kesehatan harus lebih Lahir di Minahasa Selatan tanggal 17
memperhatikan mutu kerja dari tenaga kesehatan Desember 1972. Gelar sarjana
untuk mencegah terhadap kemungkinan terjadinya Matematika diperoleh tahun 1998 di
kasus perdarahan akibat melahirkan serta dalam Jurusan Matematika IPB Bogor.
menangani/mengatasi faktor-faktor lainnya pada
Tahun 2009 menyelesaikan studi S2,
ibu hamil saat melahirkan.
di Jurusan Matematika IPB Bogor.
2. Penelitian selanjutnya dapat dilakukan dengan
Tahun 2018 menyelesaikan studi S3
mengkaji penyebab overdispersi dan pada bidang Matematika di IPB
menggunakan metode GLM lainnya untuk Bogor. Saat ini menjadi pengajar
mengatasi overdispersi. tetap di Jurusan Matematika F-MIPA Unsrat Manado.
REFERENSI
Jantje Denny Prang (jantjeprang@gmail.com)
[1] Dinas Kesehatan Provinsi Sulawesi Utara. 2016. Lahir pada tanggal 20 Desember
Profil Kesehatan Provinsi Sulawesi Utara Tahun 1985. Gelar Master Sains (M.Si)
2016. Manado diperoleh dari Institut Pertanian
Bogor. Ia bekerja di UNSRAT di
[2] McCullagh, P dan Nelder, JA. 1989. Generalized Program Studi Matematika sebagai
Linear Models: 2nd Edition. London: Chapman pengajar akademik tetap UNSRAT.
and Hall.
139